锂离子电池的健康状态(state of health,SOH)是电池管理系统的重要功能,对于电池的可靠运行和使用寿命具有重要意义。为了进一步提高数据驱动方法对锂离子电池SOH估计的精度,提出一种卷积Fastformer模型的SOH估计方法。首先,提取锂离子...锂离子电池的健康状态(state of health,SOH)是电池管理系统的重要功能,对于电池的可靠运行和使用寿命具有重要意义。为了进一步提高数据驱动方法对锂离子电池SOH估计的精度,提出一种卷积Fastformer模型的SOH估计方法。首先,提取锂离子电池多个充电阶段的每次循环电压曲线、电流曲线,每个阶段各个曲线转换为统计健康特征来表征锂离子电池老化特性,并使用Pearson相关系数对所选统计特征进行了相关性分析,筛选出与容量相关性高的健康特征,消除特征冗余性。随后,融合卷积神经网络和具有线性复杂度的Fastformer神经网络的特点,使用卷积神经网络强大的特征提取能力挖掘健康特征的局部信息,利用Fastformer的多头附加注意力机制可以更高效地在复杂的长序列中总结全文信息。然后,为减少模型训练时间,利用正交实验法对模型超参数进行优化。最后,采用公开数据集将所提方法与CNN、GRU、RNN模型进行对比,验证卷积Fastformer模型的准确性,结果表明,平均绝对误差、均方根误差最大仅为0.25%,0.29%,相对误差在0.8%以内,具有较高的估计精度和稳定性。展开更多
新能源汽车主要以锂离子电池作为储能单元,随着锂离子电池的老化,在充电过程中极易发生燃烧甚至爆炸,给电网和充电场站带来巨大安全隐患。电池健康状态(State of Health,SOH)是评价电池老化和性能衰减的重要指标。通过研究锂离子电池的...新能源汽车主要以锂离子电池作为储能单元,随着锂离子电池的老化,在充电过程中极易发生燃烧甚至爆炸,给电网和充电场站带来巨大安全隐患。电池健康状态(State of Health,SOH)是评价电池老化和性能衰减的重要指标。通过研究锂离子电池的充电特性,从中提取反映电池老化的特征向量,采用支持向量机(Support Vector Machine,SVM)估计电池的健康状态,并采用模拟退火算法优化SVM的超参数。研究表明,采用优化后的SVM预测SOH,决定系数为99.73%,预测误差小于0.05%,达到了较高的预测精度。研究成果可以为充电场站的安全运维提供锂离子电池的监测参数,提高充电过程的安全性能。展开更多
锂离子电池是当前固定式电化学储能的重要方式,电池健康状态(state of health,SOH)估计对于锂电池安全稳定运行具有重要意义。目前,健康特征的提取集中在电池的充电阶段,对静置阶段,即弛豫阶段提取健康特征的方法较少。本文基于电池充...锂离子电池是当前固定式电化学储能的重要方式,电池健康状态(state of health,SOH)估计对于锂电池安全稳定运行具有重要意义。目前,健康特征的提取集中在电池的充电阶段,对静置阶段,即弛豫阶段提取健康特征的方法较少。本文基于电池充放电后弛豫阶段曲线,提出了一种从弛豫阶段提取健康特征并结合高斯过程回归进行SOH估计的方法。首先,根据三元离子电池的加速循环老化测试数据,分析了弛豫阶段时间常数的变化规律,采用了幂函数进行建模,较好地反映了电池端电压在弛豫阶段的变化。其次,提取了能够表征弛豫阶段的关键特征,结合高斯过程回归建立了电池SOH估计模型。最后,在不同老化电流倍率的电池上进行了精度验证,比较了采集15分钟和采集60分钟弛豫曲线时的误差结果,也比较了高斯过程回归方法相较于支持向量机与树回归方法的精度,并在多个荷电状态下(state of charge,SOC)验证了SOH估计精度。研究结果表明,所提出的SOH估计模型,在验证上其均方根误差最优可达到0.6%,在采用15分钟数据进行SOH估计时,均方根误差仍能小于1%,有着良好的估计效果。展开更多
准确估计锂离子电池的健康状态(State of Health,SOH)对储能系统的安全稳定运行至关重要。针对传统估计方法准确度较低的问题,提出一种基于鹈鹕优化算法和极限学习机(POA-ELM)的SOH估计方法。首先,选取充放电过程中的四个健康特征,并采...准确估计锂离子电池的健康状态(State of Health,SOH)对储能系统的安全稳定运行至关重要。针对传统估计方法准确度较低的问题,提出一种基于鹈鹕优化算法和极限学习机(POA-ELM)的SOH估计方法。首先,选取充放电过程中的四个健康特征,并采用皮尔逊相关性分析来量化它们与电池SOH的相关性。然后,建立ELM模型来映射健康特征与电池SOH之间的关系。针对ELM模型中超参数寻优问题,采用POA算法进行解决。最后在NASA电池数据集上进行试验分析,并与其他经典超参数寻优算法进行了比较。实验结果表明该方法能够实现SOH的准确估计,具有较高的估计准确度,估计误差稳定在2%以内。展开更多
锂离子电池的健康状态(state of health,SOH)是电池管理系统的核心问题,对其精确的评估能够保障电池的安全可靠运行。然而在实际应用中,容量较难直接测得,导致SOH估算困难。为了获得准确的SOH,本文提出一种基于注意力改进双向门控循环单...锂离子电池的健康状态(state of health,SOH)是电池管理系统的核心问题,对其精确的评估能够保障电池的安全可靠运行。然而在实际应用中,容量较难直接测得,导致SOH估算困难。为了获得准确的SOH,本文提出一种基于注意力改进双向门控循环单元(BiGRU)的锂离子电池SOH估计方法。首先提取电池充放电曲线中的电压、电流与阻抗等参数,通过自编码器(auto encoder,AE)对其降维,提取特征量并减少数据间的冗余性。其次,引入注意力机制(attention mechanism,AM)对输入变量分配权重,突出对SOH估计起到关键作用的特征量。最后,利用BiGRU学习输入变量与容量之间的映射关系,捕获容量衰减下的长期依赖性。在不同充电倍率的电池数据集上的结果表明,该方法对不同类型电池的SOH皆可以实现高精度估计,均方根误差在1.1%以下。展开更多
为研究动力锂离子电池的健康状态(state of health,SOH),根据SOH和荷电状态(state of charge,SOC)的定义以及电池的二阶电阻电容(resistance-capacitance,RC)等效电路模型,建立了基于恒流充电阶段电池电压曲线的SOH估计模型.通过分析电...为研究动力锂离子电池的健康状态(state of health,SOH),根据SOH和荷电状态(state of charge,SOC)的定义以及电池的二阶电阻电容(resistance-capacitance,RC)等效电路模型,建立了基于恒流充电阶段电池电压曲线的SOH估计模型.通过分析电池循环寿命测试数据,利用恒流充电阶段电池电压曲线对SOH进行估计,并与试验数据进行了对比,在SOH值衰减至80%之前,SOH估计的相对误差均在±2%范围内,能较好地吻合试验结果.结果表明:所提出的估计方法具有可行性和精确性.展开更多
文摘锂离子电池的健康状态(state of health,SOH)是电池管理系统的重要功能,对于电池的可靠运行和使用寿命具有重要意义。为了进一步提高数据驱动方法对锂离子电池SOH估计的精度,提出一种卷积Fastformer模型的SOH估计方法。首先,提取锂离子电池多个充电阶段的每次循环电压曲线、电流曲线,每个阶段各个曲线转换为统计健康特征来表征锂离子电池老化特性,并使用Pearson相关系数对所选统计特征进行了相关性分析,筛选出与容量相关性高的健康特征,消除特征冗余性。随后,融合卷积神经网络和具有线性复杂度的Fastformer神经网络的特点,使用卷积神经网络强大的特征提取能力挖掘健康特征的局部信息,利用Fastformer的多头附加注意力机制可以更高效地在复杂的长序列中总结全文信息。然后,为减少模型训练时间,利用正交实验法对模型超参数进行优化。最后,采用公开数据集将所提方法与CNN、GRU、RNN模型进行对比,验证卷积Fastformer模型的准确性,结果表明,平均绝对误差、均方根误差最大仅为0.25%,0.29%,相对误差在0.8%以内,具有较高的估计精度和稳定性。
文摘新能源汽车主要以锂离子电池作为储能单元,随着锂离子电池的老化,在充电过程中极易发生燃烧甚至爆炸,给电网和充电场站带来巨大安全隐患。电池健康状态(State of Health,SOH)是评价电池老化和性能衰减的重要指标。通过研究锂离子电池的充电特性,从中提取反映电池老化的特征向量,采用支持向量机(Support Vector Machine,SVM)估计电池的健康状态,并采用模拟退火算法优化SVM的超参数。研究表明,采用优化后的SVM预测SOH,决定系数为99.73%,预测误差小于0.05%,达到了较高的预测精度。研究成果可以为充电场站的安全运维提供锂离子电池的监测参数,提高充电过程的安全性能。
文摘锂离子电池是当前固定式电化学储能的重要方式,电池健康状态(state of health,SOH)估计对于锂电池安全稳定运行具有重要意义。目前,健康特征的提取集中在电池的充电阶段,对静置阶段,即弛豫阶段提取健康特征的方法较少。本文基于电池充放电后弛豫阶段曲线,提出了一种从弛豫阶段提取健康特征并结合高斯过程回归进行SOH估计的方法。首先,根据三元离子电池的加速循环老化测试数据,分析了弛豫阶段时间常数的变化规律,采用了幂函数进行建模,较好地反映了电池端电压在弛豫阶段的变化。其次,提取了能够表征弛豫阶段的关键特征,结合高斯过程回归建立了电池SOH估计模型。最后,在不同老化电流倍率的电池上进行了精度验证,比较了采集15分钟和采集60分钟弛豫曲线时的误差结果,也比较了高斯过程回归方法相较于支持向量机与树回归方法的精度,并在多个荷电状态下(state of charge,SOC)验证了SOH估计精度。研究结果表明,所提出的SOH估计模型,在验证上其均方根误差最优可达到0.6%,在采用15分钟数据进行SOH估计时,均方根误差仍能小于1%,有着良好的估计效果。
文摘准确估计锂离子电池的健康状态(State of Health,SOH)对储能系统的安全稳定运行至关重要。针对传统估计方法准确度较低的问题,提出一种基于鹈鹕优化算法和极限学习机(POA-ELM)的SOH估计方法。首先,选取充放电过程中的四个健康特征,并采用皮尔逊相关性分析来量化它们与电池SOH的相关性。然后,建立ELM模型来映射健康特征与电池SOH之间的关系。针对ELM模型中超参数寻优问题,采用POA算法进行解决。最后在NASA电池数据集上进行试验分析,并与其他经典超参数寻优算法进行了比较。实验结果表明该方法能够实现SOH的准确估计,具有较高的估计准确度,估计误差稳定在2%以内。
文摘锂离子电池的健康状态(state of health,SOH)是电池管理系统的核心问题,对其精确的评估能够保障电池的安全可靠运行。然而在实际应用中,容量较难直接测得,导致SOH估算困难。为了获得准确的SOH,本文提出一种基于注意力改进双向门控循环单元(BiGRU)的锂离子电池SOH估计方法。首先提取电池充放电曲线中的电压、电流与阻抗等参数,通过自编码器(auto encoder,AE)对其降维,提取特征量并减少数据间的冗余性。其次,引入注意力机制(attention mechanism,AM)对输入变量分配权重,突出对SOH估计起到关键作用的特征量。最后,利用BiGRU学习输入变量与容量之间的映射关系,捕获容量衰减下的长期依赖性。在不同充电倍率的电池数据集上的结果表明,该方法对不同类型电池的SOH皆可以实现高精度估计,均方根误差在1.1%以下。
文摘为研究动力锂离子电池的健康状态(state of health,SOH),根据SOH和荷电状态(state of charge,SOC)的定义以及电池的二阶电阻电容(resistance-capacitance,RC)等效电路模型,建立了基于恒流充电阶段电池电压曲线的SOH估计模型.通过分析电池循环寿命测试数据,利用恒流充电阶段电池电压曲线对SOH进行估计,并与试验数据进行了对比,在SOH值衰减至80%之前,SOH估计的相对误差均在±2%范围内,能较好地吻合试验结果.结果表明:所提出的估计方法具有可行性和精确性.
